1.一种基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于,包括如下步骤:S1、获取无人机姿态监测数据,构建无人机时间序列数据集,并按比例分为训练集,验证集和测试集;
S2、构建LSTM神经网络模型,通过添加CEC模块,保证误差以常数的形式在网络中流动;
S3、初始化模型,将训练集数据输入到模型中,设置超参数,进行模型训练;
S4、模型调参,得到最优模型;
S5、将测试集数据输入到最优模型进行测试,输出各项数值评价指标,判断是否达到预期值;
S6、现场检测,判断评价指标能否达到所需要求;
所述步骤S1中,所述获取无人机姿态监测数据,构建无人机时间序列数据集具体包括:利用GPS、速度计,陀螺仪,磁罗盘,气压计传感器获取偏航角、俯仰角、滚动角、经度、维度、海拔、气压计高度、方向数据;考虑各个传感器的采集频率不同,编写python程序,采用线性插值,对数据进行扩增,数据在每个时间点一一对应,使得各个数据对应统一时间点。
2.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述步骤S1中,所述按比例分为训练集,验证集和测试集具体是:按6:2:2的比例分为训练集,验证集和测试集。
3.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述步骤S2中的LSTM神经网络模型包括遗忘门、输入门、输出门和记忆单元;所述遗忘门对上一个节点输入进行选择性忘记;所述输入门用于判断上一个节点信息的重要性,并进行选择性记忆;所述输出门决定输出信息。
4.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述步骤S3中超参数为学习率、总迭代次数、记忆块的堆叠数量、小批量数量和预测步数。
5.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述步骤S4中,所述模型调参,得到最优模型具体包括:输入验证集数据到模型中,按顺序调整超参数,根据不同超参数下模型的损失值及准确率的变化曲线,得到最优超参数,得到最优模型。
6.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述步骤S5中的各项数值评价指标包括准确率,均方误差和平均绝对误差;
所述均方误差是指参数估计值与参数真值之差平方的期望值,公式如下:
所述平均绝对误差是绝对误差的平均值,公式如下:
7.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述步骤S6中,所述现场检测,判断评价指标能否达到所需要求具体是指:控制无人机飞行,并回传各种传感器采集的无人机姿态数据至高性能计算机终端检测,判断评价指标能否达到所需要求。
8.根据权利要求7所述的基于LSTM神经网络算法的无人机路面病害检测方法,其特征在于:所述评价指标主要包括预测效率,均方误差,平均绝对误差和鲁棒性。